Llama 3.2 3B Instruct

🚀 Llama 3.2多語言大語言模型

Llama 3.2是一系列多語言大語言模型，提供1B和3B大小的預訓練和指令微調生成模型。它針對多語言對話場景進行了優化，在常見行業基準測試中表現出色，能為商業和研究領域提供強大的語言處理能力。

🚀 快速開始

使用transformers庫

從transformers >= 4.43.0版本開始，你可以使用Transformers的pipeline抽象或藉助Auto類的generate()函數進行對話推理。

確保通過以下命令更新transformers庫：

pip install --upgrade transformers

示例代碼如下：

import torch
from transformers import pipeline

model_id = "meta-llama/Llama-3.2-3B-Instruct"
pipe = pipeline(
    "text-generation",
    model=model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]
outputs = pipe(
    messages,
    max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])

你還可以在huggingface-llama-recipes找到關於如何在本地使用模型、使用torch.compile()、輔助生成、量化等詳細方法。

使用原始llama代碼庫

請遵循倉庫中的說明。

要下載原始檢查點，可使用以下huggingface-cli命令示例：

huggingface-cli download meta-llama/Llama-3.2-3B-Instruct --include "original/*" --local-dir Llama-3.2-3B-Instruct

✨ 主要特性

• 多語言支持：官方支持英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語，且在更廣泛的語言數據集上進行了訓練。
• 優化架構：採用優化的Transformer架構，微調版本使用監督微調（SFT）和基於人類反饋的強化學習（RLHF），以符合人類對有用性和安全性的偏好。
• 多種模型規格：提供1B和3B大小的模型，以及量化版本，適用於不同計算資源和應用場景。
• 出色性能：在標準自動基準測試中，Llama 3.2模型在多個任務上表現出色，優於許多開源和閉源聊天模型。

📦 安裝指南

更新transformers庫

pip install --upgrade transformers

下載模型檢查點

使用huggingface-cli下載原始檢查點：

huggingface-cli download meta-llama/Llama-3.2-3B-Instruct --include "original/*" --local-dir Llama-3.2-3B-Instruct

💻 使用示例

基礎用法

import torch
from transformers import pipeline

model_id = "meta-llama/Llama-3.2-3B-Instruct"
pipe = pipeline(
    "text-generation",
    model=model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]
outputs = pipe(
    messages,
    max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])

高級用法

在實際應用中，你可以根據具體需求調整模型的生成參數，例如max_new_tokens、temperature等，以獲得不同風格和長度的生成結果。

📚 詳細文檔

模型信息

屬性	詳情
模型開發者	Meta
模型架構	自迴歸語言模型，使用優化的Transformer架構，微調版本使用SFT和RLHF
訓練數據	公開可用在線數據的新組合，1B和3B模型在預訓練階段融入了Llama 3.1 8B和70B模型的logits
支持語言	英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語
模型發佈日期	2024年9月25日
狀態	基於離線數據集訓練的靜態模型，未來可能發佈改進版本
許可證	Llama 3.2社區許可證

預期用途

預期用例

• 多語言商業和研究應用。
• 指令微調文本模型適用於類似助手的聊天和代理應用，如知識檢索和總結、移動AI寫作助手、查詢和提示重寫。
• 預訓練模型可用於各種自然語言生成任務。
• 量化模型適用於計算資源有限的設備端應用。

不適用場景

• 違反適用法律法規（包括貿易合規法律）的使用。
• 違反可接受使用政策和Llama 3.2社區許可證的使用。
• 使用模型未明確支持的語言。

訓練數據

Llama 3.2在多達9萬億個公開可用數據源的令牌上進行了預訓練。對於1B和3B的Llama 3.2模型，在模型開發的預訓練階段融入了Llama 3.1 8B和70B模型的logits，修剪後使用知識蒸餾恢復性能。後訓練階段採用與Llama 3.1類似的方法，通過多輪對齊生成最終聊天模型，每輪包括監督微調（SFT）、拒絕採樣（RS）和直接偏好優化（DPO）。

量化

量化方案

設計的量化方案考慮了模型質量、預填充/解碼速度和內存佔用等指標，結合了PyTorch的ExecuTorch推理框架和Arm CPU後端。具體包括：

• 所有Transformer塊中的線性層權重量化為4位分組方案（組大小為32），激活量化為8位每個令牌的動態量化。
• 分類層權重量化為8位每通道，激活量化為8位每個令牌的動態量化。
• 嵌入層採用8位每通道量化。

量化感知訓練和LoRA

量化感知訓練（QAT）與低秩適應（LoRA）模型僅經過後訓練階段，使用與全精度模型相同的數據。初始化QAT時，利用監督微調（SFT）後獲得的BF16 Llama 3.2模型檢查點，並進行額外一輪的SFT訓練。然後凍結QAT模型的主幹，對Transformer塊內的所有層應用LoRA適配器進行另一輪SFT訓練，同時將LoRA適配器的權重和激活保持在BF16。最後，使用直接偏好優化（DPO）對生成的模型（包括主幹和LoRA適配器）進行微調。

SpinQuant

應用了SpinQuant和生成後訓練量化（GPTQ）。對於SpinQuant旋轉矩陣微調，使用WikiText 2數據集中序列長度為2048的800個樣本進行100次迭代優化。對於GPTQ，使用相同數據集和序列長度的128個樣本。

基準測試 - 英文文本

基礎預訓練模型

類別	基準測試	樣本數	指標	Llama 3.2 1B	Llama 3.2 3B	Llama 3.1 8B
通用	MMLU	5	macro_avg/acc_char	32.2	58	66.7
	AGIEval English	3 - 5	average/acc_char	23.3	39.2	47.8
	ARC-Challenge	25	acc_char	32.8	69.1	79.7
閱讀理解	SQuAD	1	em	49.2	67.7	77
	QuAC (F1)	1	f1	37.9	42.9	44.9
	DROP (F1)	3	f1	28.0	45.2	59.5
長上下文	Needle in Haystack	0	em	96.8	1	1

指令微調模型

| 能力 | 基準測試 | 樣本數 | 指標 | Llama 3.2 1B bf16 | Llama 3.2 1B Vanilla PTQ** | Llama 3.2 1B Spin Quant | Llama 3.2 1B QLoRA | Llama 3.2 3B bf16 | Llama 3.2 3B Vanilla PTQ** | Llama 3.2 3B Spin Quant | Llama 3.2 3B QLoRA | Llama 3.1 8B | | :---: | ----- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | 通用 | MMLU | 5 | macro_avg/acc | 49.3 | 43.3 | 47.3 | 49.0 | 63.4 | 60.5 | 62 | 62.4 | 69.4 | | 重寫 | Open-rewrite eval | 0 | micro_avg/rougeL | 41.6 | 39.2 | 40.9 | 41.2 | 40.1 | 40.3 | 40.8 | 40.7 | 40.9 | | 總結 | TLDR9+ (test) | 1 | rougeL | 16.8 | 14.9 | 16.7 | 16.8 | 19.0 | 19.1 | 19.2 | 19.1 | 17.2 | | 指令遵循 | IFEval | 0 | Avg(Prompt/Instruction acc Loose/Strict) | 59.5 | 51.5 | 58.4 | 55.6 | 77.4 | 73.9 | 73.5 | 75.9 | 80.4 | | 數學 | GSM8K (CoT) | 8 | em_maj1@1 | 44.4 | 33.1 | 40.6 | 46.5 | 77.7 | 72.9 | 75.7 | 77.9 | 84.5 | | | MATH (CoT) | 0 | final_em | 30.6 | 20.5 | 25.3 | 31.0 | 48.0 | 44.2 | 45.3 | 49.2 | 51.9 | | 推理 | ARC-C | 0 | acc | 59.4 | 54.3 | 57 | 60.7 | 78.6 | 75.6 | 77.6 | 77.6 | 83.4 | | | GPQA | 0 | acc | 27.2 | 25.9 | 26.3 | 25.9 | 32.8 | 32.8 | 31.7 | 33.9 | 32.8 | | | Hellaswag | 0 | acc | 41.2 | 38.1 | 41.3 | 41.5 | 69.8 | 66.3 | 68 | 66.3 | 78.7 | | 工具使用 | BFCL V2 | 0 | acc | 25.7 | 14.3 | 15.9 | 23.7 | 67.0 | 53.4 | 60.1 | 63.5 | 67.1 | | | Nexus | 0 | macro_avg/acc | 13.5 | 5.2 | 9.6 | 12.5 | 34.3 | 32.4 | 31.5 | 30.1 | 38.5 | | 長上下文 | InfiniteBench/En.QA | 0 | longbook_qa/f1 | 20.3 | N/A | N/A | N/A | 19.8 | N/A | N/A | N/A | 27.3 | | | InfiniteBench/En.MC | 0 | longbook_choice/acc | 38.0 | N/A | N/A | N/A | 63.3 | N/A | N/A | N/A | 72.2 | | | NIH/Multi-needle | 0 | recall | 75.0 | N/A | N/A | N/A | 84.7 | N/A | N/A | N/A | 98.8 | | 多語言 | MGSM (CoT) | 0 | em | 24.5 | 13.7 | 18.2 | 24.4 | 58.2 | 48.9 | 54.3 | 56.8 | 68.9 |

**注：僅用於比較，模型未發佈。

多語言基準測試

類別	基準測試	語言	Llama 3.2 1B	Llama 3.2 1B Vanilla PTQ**	Llama 3.2 1B Spin Quant	Llama 3.2 1B QLoRA	Llama 3.2 3B	Llama 3.2 3B Vanilla PTQ**	Llama 3.2 3B Spin Quant	Llama 3.2 3B QLoRA	Llama 3.1 8B
通用	MMLU (5-shot, macro_avg/acc)	葡萄牙語	39.8	34.9	38.9	40.2	54.5	50.9	53.3	53.4	62.1
		西班牙語	41.5	36.0	39.8	41.8	55.1	51.9	53.6	53.6	62.5
		意大利語	39.8	34.9	38.1	40.6	53.8	49.9	52.1	51.7	61.6
		德語	39.2	34.9	37.5	39.6	53.3	50.0	52.2	51.3	60.6
		法語	40.5	34.8	39.2	40.8	54.6	51.2	53.3	53.3	62.3
		印地語	33.5	30.0	32.1	34.0	43.3	40.4	42.0	42.1	50.9
		泰語	34.7	31.2	32.4	34.9	44.5	41.3	44.0	42.2	50.3

**注：僅用於比較，模型未發佈。

推理時間

下表比較了不同量化方法（SpinQuant和QAT + LoRA）與BF16基線的性能指標。評估使用ExecuTorch框架作為推理引擎，以ARM CPU為後端，在Android OnePlus 12設備上進行。

類別	解碼速度 (令牌/秒)	首令牌生成時間 (秒)	預填充速度 (令牌/秒)	模型大小 (PTE文件大小，MB)	內存大小 (RSS，MB)
1B BF16 (基線)	19.2	1.0	60.3	2358	3,185
1B SpinQuant	50.2 (2.6x)	0.3 (-76.9%)	260.5 (4.3x)	1083 (-54.1%)	1,921 (-39.7%)
1B QLoRA	45.8 (2.4x)	0.3 (-76.0%)	252.0 (4.2x)	1127 (-52.2%)	2,255 (-29.2%)
3B BF16 (基線)	7.6	3.0	21.2	6129	7,419
3B SpinQuant	19.7 (2.6x)	0.7 (-76.4%)	89.7 (4.2x)	2435 (-60.3%)	3,726 (-49.8%)
3B QLoRA	18.5 (2.4x)	0.7 (-76.1%)	88.8 (4.2x)	2529 (-58.7%)	4,060 (-45.3%)

() 性能測量採用基於adb二進制的方法。 () 在Android OnePlus 12設備上進行測量。 () 首令牌生成時間（TTFT）在提示長度為64時測量。

責任與安全

負責任的部署

Llama是一種基礎技術，旨在用於各種用例。Meta的Llama模型負責任部署的示例可在社區故事網頁找到。我們的方法是構建最有用的模型，通過調整模型安全性以適應通用用例並解決一系列標準危害，使世界受益於該技術。開發者負責根據其用例定製安全性，定義自己的政策並在其Llama系統中部署必要的保障措施。Llama 3.2的開發遵循了負責任使用指南中概述的最佳實踐。

Llama 3.2 Instruct

我們進行安全微調的主要目標是為研究社區提供一個研究安全微調魯棒性的有價值資源，併為開發者提供一個隨時可用、安全且強大的模型，以減少部署安全AI系統的工作量。我們實施了與Llama 3相同的安全緩解措施，你可以在Llama 3 論文中瞭解更多信息。

我們採用多方面的數據收集方法，將供應商提供的人類生成數據與合成數據相結合，以減輕潛在的安全風險。我們開發了許多基於大語言模型（LLM）的分類器，使我們能夠精心選擇高質量的提示和響應，加強數據質量控制。

在Llama 3的基礎上，我們非常重視模型對良性提示的拒絕以及拒絕語氣。我們在安全數據策略中納入了邊界和對抗性提示，並修改了安全數據響應以遵循語氣指南。

Llama 3.2系統

大型語言模型（包括Llama 3.2）並非設計用於單獨部署，而是應作為整體AI系統的一部分，根據需要配備額外的安全護欄。開發者在構建代理系統時應部署系統保障措施。保障措施對於實現正確的有用性 - 安全性對齊以及減輕系統固有的安全和風險以及模型或系統與外部工具集成時的風險至關重要。作為我們負責任發佈方法的一部分，我們為社區提供了保障措施，開發者應將其與Llama模型或其他LLM一起部署，包括Llama Guard、Prompt Guard和Code Shield。我們所有的參考實現演示默認包含這些保障措施，以便開發者能夠立即從系統級安全中受益。

新功能和用例

Llama的發佈通常會引入新功能，除了適用於所有生成式AI用例的最佳實踐外，還需要進行特定考慮。對於Llama 3.2也支持的先前版本功能，請參閱Llama 3.1模型卡，因為這裡適用相同的考慮因素。

Llama 3.2 1B和3B模型預計將部署在高度受限的環境中，如移動設備。使用較小模型的LLM系統將具有與更復雜、更大系統不同的對齊配置文件和安全/有用性權衡。開發者應確保其系統的安全性滿足其用例的要求。我們建議在此類用例中使用更輕量級的系統保障措施，如Llama Guard 3 - 1B或其移動優化版本。

評估

我們構建了專門的對抗性評估數據集，並評估了由Llama模型和Purple Llama保障措施組成的系統，以過濾輸入提示和輸出響應。在上下文中評估應用程序非常重要，我們建議為你的用例構建專門的評估數據集。

我們進行了定期的紅隊演練，目標是通過對抗性提示發現風險，並利用這些經驗改進我們的基準測試和安全調優數據集。我們早期與關鍵風險領域的專家合作，瞭解這些現實世界危害的性質以及此類模型如何可能對社會造成意外危害。基於這些對話，我們為紅隊制定了一組對抗性目標，例如提取有害信息或重新編程模型以發揮潛在有害作用。紅隊由網絡安全、對抗性機器學習、負責任AI和完整性方面的專家以及具有特定地理市場完整性問題背景的多語言內容專家組成。

關鍵風險

除了上述安全工作外，我們還特別關注測量和/或減輕以下關鍵風險領域：

• CBRNE（化學、生物、放射、核和爆炸武器）：Llama 3.2 1B和3B模型是Llama 3.1的較小且能力較弱的衍生模型。對於Llama 3.1 70B和405B，為評估與化學和生物武器擴散相關的風險，我們進行了提升測試，旨在評估使用Llama 3.1模型是否會顯著增強惡意行為者計劃或實施使用此類武器的攻擊的能力，並確定此類測試也適用於較小的1B和3B模型。
• 兒童安全：我們使用專家團隊進行了兒童安全風險評估，以評估模型產生可能導致兒童安全風險的輸出的能力，並通過微調提供必要和適當的風險緩解建議。我們利用這些專家紅隊演練，通過Llama 3模型開發擴展了評估基準的覆蓋範圍。對於Llama 3，我們使用基於目標的方法進行了新的深入評估，以評估模型在多個攻擊向量上的風險，包括Llama 3訓練的額外語言。我們還與內容專家合作進行紅隊演練，評估潛在違規內容，同時考慮特定市場的細微差別或經驗。
• 網絡攻擊：對於Llama 3.1 405B，我們的網絡攻擊提升研究調查了LLM是否能在技能水平和速度方面增強人類在黑客任務中的能力。我們的攻擊自動化研究專注於評估LLM作為自主代理在網絡攻擊行動中的能力，特別是在勒索軟件攻擊的背景下。此評估與之前將LLM視為交互式助手的研究不同。主要目標是評估這些模型是否能在沒有人類干預的情況下有效地作為獨立代理執行復雜的網絡攻擊。由於Llama 3.2的1B和3B模型比Llama 3.1 405B更小且能力更弱，我們普遍認為對405B模型進行的測試也適用於Llama 3.2模型。

社區

生成式AI安全需要專業知識和工具，我們相信開放社區的力量可以加速其發展。我們是開放聯盟的積極成員，包括AI聯盟、AI合作組織和MLCommons，積極為安全標準化和透明度做出貢獻。我們鼓勵社區採用MLCommons概念驗證評估等分類法，以促進安全和內容評估的協作和透明度。我們的Purple Llama工具已開源供社區使用，並廣泛分佈在包括雲服務提供商在內的生態系統合作伙伴中。我們鼓勵社區為我們的GitHub倉庫做出貢獻。

我們還設立了Llama影響贈款計劃，以識別和支持Meta的Llama模型在教育、氣候和開放創新三個類別中對社會有益的最引人注目的應用。數百份申請中的20名決賽選手可在此處找到。

最後，我們建立了一套資源，包括輸出報告機制和漏洞賞金計劃，以持續改進LLM的安全性和性能。

🔧 技術細節

訓練硬件和軟件

• 訓練因素：使用自定義訓練庫、Meta定製的GPU集群和生產基礎設施進行預訓練。微調、量化、註釋和評估也在生產基礎設施上進行。
• 訓練能源使用：在H100 - 80GB（TDP為700W）類型的硬件上累計使用了916k GPU小時進行訓練。訓練時間是訓練每個模型所需的總GPU時間，功耗是每個GPU設備的峰值功率容量，已根據功率使用效率進行調整。
• 訓練溫室氣體排放：估計基於位置的總溫室氣體排放量為240噸CO2eq。自2020年以來，Meta在其全球運營中保持淨零溫室氣體排放，並以100%的可再生能源匹配其電力使用，因此基於市場的總溫室氣體排放量為0噸CO2eq。

訓練數據處理

在預訓練階段，將Llama 3.1 8B和70B模型的輸出（logits）作為令牌級目標融入到Llama 3.2的1B和3B模型中，修剪後使用知識蒸餾恢復性能。後訓練階段採用多輪對齊，包括監督微調（SFT）、拒絕採樣（RS）和直接偏好優化（DPO）。

量化技術

• 量化方案設計：結合PyTorch的ExecuTorch推理框架和Arm CPU後端，考慮模型質量、預填充/解碼速度和內存佔用等指標，對線性層、分類層和嵌入層進行不同方式的量化。
• 量化感知訓練和LoRA：利用監督微調（SFT）後獲得的BF16 Llama 3.2模型檢查點進行量化感知訓練（QAT），凍結主幹後應用LoRA適配器進行進一步微調，最後使用直接偏好優化（DPO）對模型進行微調。
• SpinQuant應用：結合SpinQuant和生成後訓練量化（GPTQ），對SpinQuant旋轉矩陣進行100次迭代優化，使用WikiText 2數據集的特定樣本進行訓練。

📄 許可證

使用Llama 3.2受Llama 3.2社區許可證（自定義商業許可協議）的約束。

Llama 3.2社區許可協議

協議概述

“協議”指本協議中規定的使用、複製、分發和修改Llama材料的條款和條件。“文檔”指Meta在https://llama.meta.com/doc/overview 上分發的隨Llama 3.2提供的規範、手冊和文檔。“被許可方”或“你”指你、你的僱主或任何其他人或實體（如果你代表此類人或實體簽訂本協議），且你已達到適用法律、規則或法規要求的提供法律同意的年齡，並具有約束你的僱主或此類其他人或實體的法律權力（如果你代表他們簽訂本協議）。“Llama 3.2”指Meta在https://www.llama.com/llama-downloads 上分發的基礎大語言模型、軟件和算法，包括機器學習模型代碼、訓練好的模型權重、推理啟用代碼、訓練啟用代碼、微調啟用代碼和其他相關元素。“Llama材料”指Meta根據本協議提供的專有Llama 3.2和文檔（及其任何部分）。“Meta”或“我們”指Meta Platforms Ireland Limited（如果你位於歐洲經濟區或瑞士，或者你是一個實體，其主要營業地點在歐洲經濟區或瑞士）和Meta Platforms, Inc.（如果你位於歐洲經濟區或瑞士以外）。

通過點擊下面的“我接受”或使用或分發Llama材料的任何部分或元素，你同意受本協議約束。

許可權利和再分發

• 權利授予：你被授予在Meta體現在Llama材料中的知識產權或其他權利下的非排他性、全球性、不可轉讓和免版稅的有限許可，以使用、複製、分發、複製、創建衍生作品、修改Llama材料。
• 再分發和使用：
  • 如果你分發或提供Llama材料（或其任何衍生作品），或包含其中任何內容的產品或服務（包括另一個AI模型），你應（A）隨任何此類Llama材料提供本協議的副本；（B）在相關網站、用戶界面、博客文章、關於頁面或產品文檔上顯著顯示“Built with Llama”。如果你使用Llama材料或Llama材料的任何輸出或結果來創建、訓練、微調或以其他方式改進一個AI模型，並進行分發或提供，則你還應在任何此類AI模型名稱的開頭包含“Llama”。
  • 如果你作為集成最終用戶產品的一部分從被許可方接收Llama材料或其任何衍生作品，則本協議第2條不適用於你。
  • 你必須在分發的所有Llama材料副本中，在作為此類副本一部分分發的“通知”文本文件中保留以下歸屬聲明：“Llama 3.2 is licensed under the Llama 3.2 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved.”
  • 你使用Llama材料必須遵守適用的法律法規（包括貿易合規法律法規），並遵守Llama材料的可接受使用政策（可在https://www.llama.com/llama3_2/use-policy 上獲取），該政策特此通過引用併入本協議。

額外商業條款

如果在Llama 3.2版本發佈日期，被許可方或被許可方的關聯方提供的產品或服務在前一個日曆月的月活躍用戶數超過7億，則你必須向Meta請求許可，Meta可自行決定是否授予你許可，並且在Meta明確授予你此類權利之前，你無權行使本協議下的任何權利。

保修免責聲明

除非適用法律要求，Llama材料及其任何輸出和結果按“原樣”提供，不提供任何形式的保證，Meta放棄所有明示和暗示的保證，包括但不限於所有權、不侵權、適銷性或特定用途適用性的保證。你獨自負責確定使用或再分發Llama材料的適當性，並承擔與使用Llama材料及其任何輸出和結果相關的任何風險。

責任限制

在任何情況下，Meta或其關聯方均不對因本協議引起的任何利潤損失或任何間接、特殊、後果性、偶發性、示範性或懲罰性損害承擔責任，無論責任理論如何（無論是合同、侵權、疏忽、產品責任還是其他），即使Meta或其關聯方已被告知此類損害的可能性。

知識產權

• 商標許可：本協議未授予任何商標許可，與Llama材料相關，除非在描述和再分發Llama材料的合理和慣常使用中或本第5(a)條規定的情況下，Meta和被許可方均不得使用對方或其任何關聯方擁有或關聯的任何名稱或標記。Meta特此授予你僅為遵守第1.b.i條最後一句的要求使用“Llama”（“標記”）的許可。你將遵守Meta的品牌指南（目前可在https://about.meta.com/brand/resources/meta/company-brand/ 上獲取）。因你使用標記而產生的所有商譽將歸屬於Meta。
• 衍生作品所有權：在Meta擁有Llama材料及其衍生作品的前提下，對於你對Llama材料進行的任何衍生作品和修改，在你和Meta之間，你是並將繼續是此類衍生作品和修改的所有者。
• 侵權訴訟後果：如果你對Meta或任何實體提起訴訟或其他程序（包括訴訟中的反訴或反請求），聲稱Llama材料或Llama 3.2的輸出或結果，或上述任何部分構成侵犯你擁有或可許可的知識產權或其他權利，則本協議授予你的任何許可將自此類訴訟或索賠提起之日起終止。你將賠償並使Meta免受任何第三方因你使用或分發Llama材料而產生或與之相關的任何索賠。

期限和終止

本協議的期限將自你接受本協議或訪問Llama材料之日起開始，並將持續有效，直至根據本協議的條款和條件終止。如果你違反本協議的任何條款或條件，Meta可終止本協議。本協議終止後，你應刪除並停止使用Llama材料。第3、4和7條在本協議終止後仍然有效。

適用法律和管轄權

本協議將受加利福尼亞州法律管轄和解釋，不考慮法律選擇原則，《聯合國國際貨物銷售合同公約》不適用於本協議。加利福尼亞州的法院對因本協議引起的任何爭議具有專屬管轄權。

Llama 3.2可接受使用政策

Meta致力於促進其工具和功能（包括Llama 3.2）的安全和公平使用。如果你訪問或使用Llama 3.2，你同意本可接受使用政策（“政策”）。本政策的最新副本可在https://www.llama.com/llama3_2/use-policy找到。

禁止使用

我們希望每個人都能安全、負責任地使用Llama 3.2。你同意你不會使用或允許他人使用Llama 3.2進行以下行為：

• 違反法律或他人權利：
  • 從事、促進、生成、促成、鼓勵、計劃、煽動或進一步推動非法或違法活動或內容，例如：
    • 暴力或恐怖主義
    • 對兒童的剝削或傷害，包括招攬、創建、獲取或傳播兒童剝削內容或未能報告兒童性虐待材料
    • 人口販運、剝削和性暴力
    • 向未成年人非法分發信息或材料，包括淫穢材料，或未能對此類信息或材料採用法律要求的年齡限制
    • 性招攬
    • 任何其他犯罪活動
  • 從事、促進、煽動或促成對個人或個人群體的騷擾、虐待、威脅或欺凌
  • 從事、促進、煽動或促成在就業、就業福利、信貸、住房、其他經濟福利或其他基本商品和服務的提供方面的歧視或其他非法或有害行為
  • 從事未經授權或無執照的任何職業實踐，包括但不限於金融、法律、醫療/健康或相關專業實踐
  • 收集、處理、披露、生成或推斷個人的私人或敏感信息，包括個人身份、健康或人口統計信息，除非你已根據適用法律獲得這樣做的權利
  • 從事或促成任何侵犯、盜用或以其他方式侵犯任何第三方權利的行為或生成任何內容，包括使用Llama材料的任何產品或服務的輸出或結果
  • 創建、生成或促成創建惡意代碼、惡意軟件、計算機病毒或做任何可能禁用、負擔過重、干擾或損害網站或計算機系統的正常工作、完整性、操作或外觀的事情
  • 從事任何故意規避或移除使用限制或其他安全措施的行為，或促成任何此類行為，或啟用Meta禁用的功能
• 從事可能導致死亡或身體傷害的活動：
  • 從事、促進、煽動、促成或協助計劃或開展對個人造成死亡或身體傷害風險的活動，包括與以下相關的Llama 3.2使用：
    • 軍事、戰爭、核工業或應用、間諜活動、用於受美國國務院維護的《國際武器貿易條例》（ITAR）或1989年《美國生物武器反恐法》或1997年《化學武器公約實施法》約束的材料或活動
    • 槍支和非法武器（包括武器開發）
    • 非法藥物和受管制/受控物質
    • 關鍵基礎設施、運輸技術或重型機械的操作
    • 自我傷害或傷害他人，包括自殺、切割和飲食失調
    • 任何旨在煽動或促進暴力、虐待或對個人造成身體傷害的內容
• 故意欺騙或誤導他人：
  • 生成、促進或進一步推動欺詐或創建或促進虛假信息
  • 生成、促進或進一步推動誹謗性內容，包括創建誹謗性聲明、圖像或其他內容
  • 生成、促進或進一步分發垃圾郵件
  • 在未經同意、授權或合法權利的情況下冒充他人
  • 表示Llama 3.2的使用或輸出是人類生成的
  • 生成或促成虛假的在線參與，包括虛假評論和其他虛假在線參與方式
• 未能適當披露已知危險：未能向最終用戶適當披露你的AI系統的任何已知危險。
• 與非法工具或模型交互：與旨在生成非法內容或從事非法或有害行為的第三方工具、模型或軟件進行交互，並/或表示此類工具、模型或軟件的輸出與Meta或Llama 3.2相關聯。

對於Llama 3.2中包含的任何多模態模型，如果你是居住在歐盟的個人或公司，其主要營業地點在歐盟，則本協議第1(a)條授予的權利不適用於你。此限制不適用於包含任何此類多模態模型的產品或服務的最終用戶。

請通過以下方式報告任何違反本政策、軟件“漏洞”或其他可能導致違反本政策的問題：

• 報告模型問題：https://github.com/meta-llama/llama-models/issues
• 報告模型生成的風險內容：developers.facebook.com/llama_output_feedback
• 報告漏洞和安全問題：facebook.com/whitehat/info
• 報告違反可接受使用政策或未經授權使用Llama 3.2的情況：LlamaUseReport@meta.com